通过机器学习提高资产性能

今天的行业高管正在寻找新的方法来最大限度地提高其资产的可靠性和价值。借助由工业物联网 (IIoT) 和机器学习提供支持的资产绩效管理，公司可以利用设备和过程数据来延长资产的使用寿命并实现最佳可靠性。

平均而言，计划外停机时间会消耗高达 15% 的毛利率。相比之下，一流的性能估计为 5%。消除这些损失需要维护和生产以新的方式协同工作。

传统的可靠性方法是建立资产的第一性原理模型，使用实时数据调整模型，实施纠正因素或创建准确性规则，将模型输出与实时数据进行比较并突出与正常条件的统计偏差.但是，这些模型只查看资产数据。他们无法在流程中“看到”上游以识别导致资产退化的因果行为，并且只能在损害开始变得明显时发出信号——当损害已经造成时。

这种用于预测性能的传统方法是 40 年前在基于工程方程、统计技术和规则引擎的模型中开发的，但许多人仍然依赖它。机器学习最近才出现。这两种技术通常似乎解决了相同的问题，但在人类参与和预测准确性方面有所不同。

建模技术需要丰富的经验和技能以及适当的校准技术，已经并将继续非常成功。有了首要原则，就必须了解具体的行为。实时动态模型可在任何时间点对预测行为进行预测，从而深入了解预期性能。

使解决计划外中断和停机问题变得如此具有挑战性的原因是生产过程的动态特性。由于流程中同时发生了数千种变化，模型很难准确预测哪些模式或趋势会导致意外事件。

第一原理（工程）模型仅显示基于卫生清洁、最佳性能的估计、预期或感知行为。机械设备多久这样运行一次？

30%、50%、100% 或 110% 的吞吐量是否相同？相比之下，机器学习可以根据设备在所有条件下的实际真实行为进行学习，包括季节性变化、不同的运营活动、启动/关闭和不断变化的工作周期。它还可以考虑到不断恶化的工艺和机械性能。

机器学习挖掘流程和资产数据以进行预警。它承担了在过程中发现预示未来资产问题的模式的繁重工作。通过识别导致性能下降的根本原因的过程行为，可以更早地发现问题。

通过这种方法，风险分析和机器学习协同工作，可以提前数周或数月持续准确地预测资产故障。这可以提供时间来计划、协调和采取行动，而不仅仅是反应。这一次让维护和生产以新的方式协同工作。

机器学习应用程序不构建传统意义上的热/材料平衡和热力学多变方程、逻辑和规则以及统计解释的模型。他们测量故障特征而不是模型机器。

运用技能和领域知识，机器学习吸收长期收集的硬、测量的传感器和维护数据，以识别人类无法看到的微小、多变量和时间模式。

发现的模式是定义正常行为和导致降级和故障的偏移的确切签名。为了一致性，我们可以称这些签名模型，但它们在概念上与工程或数学模型的思想相去甚远。

使用机器学习开发的故障特征不知道也不关心机器的类型、使用的行业或其操作背后的工程原理。签名只关心是否有足够的传感器提供足够的数据，其中包含传感器之间的可学习关系，以准确声明资产在正常和退化/故障情况下的运行行为。

即使是包含 125 个模型的库也无法接近需要保护的数十万种独特资产。然而，机器学习可以快速评估模式并在数小时或数分钟内部署到前所未有的资产上，而无需强大的工程技能。一流的方法可以在没有数据科学技能的情况下做到这一点，自动在线实时运行，并在几秒钟内呈现可操作的结果。

如果您仍然只依赖第一性原理模型，那么是时候进行现代化改造了。结合使用模型和机器学习是检测和避免危险过程操作条件的最有效方法。这种组合可以随时使用模型解释显式条件，机器学习自动校准和微调模型，无需太多人工指导或编程规则。

这是两全其美——及时、准确的过程状态以及更简单的校准。它还为您的维护和运营团队提供了协同工作以实现最佳性能所需的洞察力。

阅读更多：整体设备效率

关于作者

Michael Brooks 是 AspenTech 资产绩效管理方面的高级顾问。